張 逸，姚文旭，邵振國(guó)，張良羽

（福州大學(xué)電氣工程與自動(dòng)化學(xué)院，福建省 福州市 350108）

0 引言

在中國(guó)生態(tài)文明建設(shè)不斷推進(jìn)過(guò)程中，大數(shù)據(jù)、云計(jì)算等技術(shù)手段已逐步應(yīng)用于污染治理、氣候預(yù)測(cè)等生態(tài)環(huán)境領(lǐng)域，成為推進(jìn)環(huán)境治理體系現(xiàn)代化的重要方式［1-2］，數(shù)字環(huán)保與智慧環(huán)保體系在環(huán)境治理應(yīng)用與環(huán)保產(chǎn)業(yè)轉(zhuǎn)型上將發(fā)揮重要作用［3-4］。

在企業(yè)的污染與環(huán)保工況監(jiān)測(cè)問(wèn)題上，傳統(tǒng)方案常采用監(jiān)測(cè)末端水、氣的方式，判定企業(yè)污染排放是否超標(biāo)，但許多企業(yè)僅在定期監(jiān)管檢查時(shí)應(yīng)付治理，監(jiān)測(cè)缺乏實(shí)時(shí)性。在智慧環(huán)保的背景下，相關(guān)人工智能計(jì)算方法也應(yīng)用到了重點(diǎn)企業(yè)污染排放物的監(jiān)測(cè)分析中［5］，而這些方案成本較高、適用范圍較小。近年來(lái)，考慮到電力數(shù)據(jù)具有實(shí)時(shí)性好、可挖掘價(jià)值高等特點(diǎn)［6］，相關(guān)部門運(yùn)用電力數(shù)據(jù)來(lái)開展環(huán)保與污染治理工作，文獻(xiàn)［7-8］通過(guò)在污染源企業(yè)中的產(chǎn)污、治污、排污等設(shè)施處分別安裝電力監(jiān)測(cè)裝置，利用用電數(shù)據(jù)判斷各個(gè)設(shè)備是否啟用，進(jìn)而判定環(huán)保情況。但此類方案需要對(duì)企業(yè)中與污染相關(guān)的設(shè)備一一監(jiān)測(cè)，是一種侵入式的監(jiān)測(cè)方式。當(dāng)企業(yè)內(nèi)部設(shè)備眾多時(shí)，用電監(jiān)測(cè)設(shè)備的數(shù)量也隨之增加，用電線路改造也相應(yīng)復(fù)雜，對(duì)生產(chǎn)影響較大，需要企業(yè)配合較多。

隨著大數(shù)據(jù)分析與機(jī)器學(xué)習(xí)等技術(shù)發(fā)展，非侵入式負(fù)荷監(jiān)測(cè)（non-intrusive load monitoring，NILM）受到了廣泛的研究與應(yīng)用［9-10］。NILM 是一種在用戶用電入口處監(jiān)測(cè)用電數(shù)據(jù)，通過(guò)事件檢測(cè)、特征提取等方法分解出各用電負(fù)荷情況的監(jiān)測(cè)方法［11-12］。本文研究擬借鑒NILM 思路，使用產(chǎn)污、治污設(shè)備所在生產(chǎn)單元電氣入口處的用電數(shù)據(jù)，識(shí)別企業(yè)環(huán)保情況，以克服侵入式監(jiān)測(cè)的不足。

針對(duì)工業(yè)企業(yè)的NILM 場(chǎng)景，由于生產(chǎn)環(huán)節(jié)復(fù)雜，涉及用電設(shè)備種類與數(shù)量眾多，難以實(shí)現(xiàn)完整的負(fù)荷分解過(guò)程，相關(guān)的研究與應(yīng)用中常是根據(jù)實(shí)際需求合理簡(jiǎn)化。文獻(xiàn)［13］中將完整的企業(yè)負(fù)荷分解，縮小至以廠房為單位，實(shí)現(xiàn)廠房?jī)?nèi)各個(gè)設(shè)備的能耗監(jiān)測(cè)；文獻(xiàn)［14］將工業(yè)負(fù)荷投切時(shí)的用電波形與模板進(jìn)行匹配，識(shí)別不同的負(fù)荷投切事件?？紤]到污染企業(yè)的環(huán)保監(jiān)測(cè)任務(wù)是針對(duì)“生產(chǎn)排污時(shí)環(huán)保環(huán)節(jié)正常投入”“生產(chǎn)排污時(shí)環(huán)保環(huán)節(jié)未投入”等直接反映環(huán)保正常與否的工況進(jìn)行識(shí)別，因此，本文在實(shí)際污染企業(yè)場(chǎng)景，將完整的負(fù)荷功率識(shí)別任務(wù)轉(zhuǎn)換為對(duì)環(huán)保工況類別的識(shí)別。

關(guān)于數(shù)據(jù)需求方面，在傳統(tǒng)NILM 中，要想較精準(zhǔn)地識(shí)別各負(fù)荷情況，常需要利用1 kHz 以上的高頻采樣波形數(shù)據(jù)，并從中提取諧波、電壓-電流軌跡等特征進(jìn)行計(jì)算［15］，但高頻的數(shù)據(jù)又面臨測(cè)量采集要求與長(zhǎng)期存儲(chǔ)成本較高的問(wèn)題。隨著對(duì)電能質(zhì)量問(wèn)題的重視，電網(wǎng)與用戶兩側(cè)均安裝了大量在線電能質(zhì)量監(jiān)測(cè)裝置，其監(jiān)測(cè)數(shù)據(jù)具有特征類型多、頻率相對(duì)較高、在長(zhǎng)期應(yīng)用過(guò)程中監(jiān)測(cè)相對(duì)穩(wěn)定可靠等特點(diǎn)［16-18］，故本文采用企業(yè)的電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)作為后續(xù)工況分析識(shí)別的數(shù)據(jù)源。

綜上，本文針對(duì)環(huán)境污染企業(yè)的環(huán)保監(jiān)測(cè)問(wèn)題，采用非侵入監(jiān)測(cè)方案，將企業(yè)環(huán)保監(jiān)測(cè)問(wèn)題轉(zhuǎn)化為對(duì)環(huán)保工況的分類與識(shí)別。基于電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)，首先，對(duì)表征生產(chǎn)工況的特征數(shù)據(jù)進(jìn)行時(shí)序變點(diǎn)檢測(cè)與聚類，實(shí)現(xiàn)企業(yè)總體生產(chǎn)工況的劃分，進(jìn)而提取環(huán)保工況類別；然后，采用Stacking 分類模型，對(duì)環(huán)保相關(guān)的工況進(jìn)行分類學(xué)習(xí)，識(shí)別出環(huán)保環(huán)節(jié)異常的工況；最后，利用所訓(xùn)練的工況分類模型識(shí)別出環(huán)保異常工況，并在仿真算例與實(shí)際企業(yè)數(shù)據(jù)中驗(yàn)證。

1 污染企業(yè)環(huán)保工況提取

污染企業(yè)環(huán)保工況與生產(chǎn)工況及環(huán)保設(shè)備運(yùn)行情況有關(guān)，二者可通過(guò)人工現(xiàn)場(chǎng)記錄或安裝設(shè)備狀態(tài)采集終端的方式獲取。但實(shí)際中生產(chǎn)設(shè)備類型和數(shù)量均較多，現(xiàn)場(chǎng)記錄和安裝終端成本較大。同時(shí)，不同生產(chǎn)工況下用電數(shù)據(jù)常表現(xiàn)出不同特征且差異明顯，使得通過(guò)數(shù)據(jù)分析以區(qū)分生產(chǎn)工況成為可能。因此，對(duì)于企業(yè)生產(chǎn)工況，本文通過(guò)數(shù)據(jù)挖掘方式獲取，減少實(shí)際應(yīng)用過(guò)程中對(duì)多種生產(chǎn)設(shè)備單獨(dú)監(jiān)測(cè)的依賴；對(duì)于環(huán)保設(shè)備運(yùn)行情況，因設(shè)備較少，為保證準(zhǔn)確，仍以人為記錄或安裝采集終端的形式進(jìn)行運(yùn)行狀態(tài)獲取。生產(chǎn)工況判斷基于變點(diǎn)檢測(cè)理論，以下進(jìn)行詳細(xì)說(shuō)明。

1.1 時(shí)序數(shù)據(jù)突變點(diǎn)檢測(cè)

突變點(diǎn)是時(shí)序中存在的引起數(shù)據(jù)前后均值、方差等統(tǒng)計(jì)量出現(xiàn)明顯變化的點(diǎn)，也可稱作變點(diǎn)，突變前后數(shù)據(jù)特征的變化常反映出實(shí)際物理狀態(tài)的改變［19］。在用電場(chǎng)景中，突變點(diǎn)反映出負(fù)荷用電過(guò)程的變化，因此，可通過(guò)計(jì)算時(shí)序突變點(diǎn)，尋找用電工況變化的時(shí)刻。具體地：對(duì)于用電時(shí)序：Y={y1，y2，…，yn}，假設(shè)存在一個(gè)由ω個(gè)突變點(diǎn)構(gòu)成的突變點(diǎn)集合T={τ1，τ2，…，τω}，其中，每個(gè)突變點(diǎn)的位置均為1 至n之間的整數(shù)，并定義τ0=0，τω+1=n，則這些突變點(diǎn)將原時(shí)序分割為ω+ 1段 子 序 列，其 中，第i段 可 表 示 為：Yi={yτi-1+1，yτi-1+2，…，yi}。

以上多變點(diǎn)檢測(cè)問(wèn)題常常轉(zhuǎn)化為求取最小目標(biāo)函數(shù)來(lái)求解［20-21］，目標(biāo)函數(shù)F(n)的核心是一個(gè)能表征數(shù)據(jù)同質(zhì)性的代價(jià)函數(shù)C(·)，如式（1）所示。當(dāng)代價(jià)函數(shù)值越小時(shí)，表明數(shù)據(jù)越呈現(xiàn)出同一種統(tǒng)計(jì)性質(zhì)；反之，在一組性質(zhì)相同的數(shù)據(jù)中引入一個(gè)突變點(diǎn)時(shí)，數(shù)據(jù)的代價(jià)函數(shù)值將增大。

式中：C(Yi)為第i段子序列所計(jì)算的代價(jià)函數(shù)，為提高實(shí)際應(yīng)用時(shí)對(duì)不同企業(yè)、不同類型用電數(shù)據(jù)的適用性，不同分布類型的數(shù)據(jù)對(duì)應(yīng)不同計(jì)算方式，詳見附錄A 式（A1）；βf(ω)為目標(biāo)函數(shù)優(yōu)化的附加懲罰項(xiàng)，用于平衡所計(jì)算的突變點(diǎn)數(shù)量，減少出現(xiàn)變點(diǎn)過(guò)多或過(guò)少的現(xiàn)象，其中β為懲罰因子，f(ω)為一個(gè)隨變點(diǎn)數(shù)量增多而增大的懲罰函數(shù)。

令懲罰項(xiàng)f(ω)=ω+1，則求取F（n）的迭代式可由式（2）推導(dǎo)得出，進(jìn)而將式（1）中求解全局最優(yōu)解的問(wèn)題轉(zhuǎn)化為不斷尋找前一個(gè)變點(diǎn)的過(guò)程。

設(shè)置初值F(0)=-β，在1 至n中循環(huán)計(jì)算，將滿足目標(biāo)函數(shù)最小的時(shí)間點(diǎn)作為新的變點(diǎn)，不斷迭代求解出所有的突變點(diǎn)。此外，在每次搜尋過(guò)程中，去除不可能成為變點(diǎn)的數(shù)據(jù)索引，減少計(jì)算量。引入如下的判斷條件：假設(shè)對(duì)于數(shù)據(jù)時(shí)間點(diǎn)t、s、l(t＜s＜l)，存在一個(gè)常數(shù)K滿足式（3），則當(dāng)式（4）成立時(shí)，認(rèn)為t不可能成為l之前的最后一個(gè)變點(diǎn)，將其排除［20-21］。

1.2 變點(diǎn)整合與環(huán)保工況類別提取

基于變點(diǎn)檢測(cè)方法劃分生產(chǎn)工況，并結(jié)合環(huán)保設(shè)備運(yùn)行情況得到環(huán)保工況，步驟如下：

1）選擇m個(gè)能夠反映企業(yè)生產(chǎn)工況的特征數(shù)據(jù){X1，X2，…，Xc，…，Xm}，例如：在生產(chǎn)設(shè)備容量占比較大時(shí)，使用能直接體現(xiàn)總體用電量的功率型數(shù)據(jù)，如圖1 實(shí)例中，選擇各相有功功率（PA，PB，PC）與三相總有功功率P3ph數(shù)據(jù)；又如主要生產(chǎn)設(shè)備是諧波、三相不平衡等干擾源時(shí)，也可選擇電流總諧波含量、不平衡度等電能質(zhì)量指標(biāo)。

2）對(duì)m類特征時(shí)序分別計(jì)算變點(diǎn)，得到式（5）中的總變點(diǎn)集合O，時(shí)序波形示意圖見圖1（a）至（d），其中，平行于縱軸的直線即為變點(diǎn)所在位置。

圖1 污染企業(yè)環(huán)保工況提取示例圖Fig.1 Example of extraction of environmental protection operation condition in polluting enterprises

式 中：X1至Xm表 示m類 時(shí) 序 數(shù) 據(jù)；O1至Om表 示m類時(shí)序數(shù)據(jù)各自的變點(diǎn)集合；tXm，i為集合Om中的第i個(gè)變點(diǎn)；n1至nm為各集合中的變點(diǎn)數(shù)量。

3）由于實(shí)際中各相用電數(shù)據(jù)非完全平衡，各時(shí)序提取的突變點(diǎn)并非一一對(duì)應(yīng)，且部分工況轉(zhuǎn)換過(guò)程需持續(xù)一定時(shí)間而非瞬時(shí)完成。因此，考慮對(duì)式（5）中不同特征時(shí)序的變點(diǎn)進(jìn)行歸并，并將時(shí)間相近的變點(diǎn)整合為區(qū)間，如圖1（e）所示。具體過(guò)程為：首先，將O1至Om做并集處理，并將得到的結(jié)果按照從小到大排列，得到Oall，如式（6）所示；然后，設(shè)置過(guò)渡時(shí)間閾值ε（本文將該閾值設(shè)定為30 min，在實(shí)際應(yīng)用時(shí)，可視環(huán)保監(jiān)管要求的嚴(yán)格程度調(diào)整所容許的過(guò)渡環(huán)節(jié)時(shí)長(zhǎng)）；最后，對(duì)Oall中的變點(diǎn)逐一判斷，當(dāng)滿足ti+1-ti≤ε時(shí)，將前后兩變點(diǎn)構(gòu)成的區(qū)間[ti，ti+1]作為變化時(shí)段，得到新的變點(diǎn)集合O′all，如式（7）所示。

式（6）中t1＜t2＜…＜ti＜…＜tn，i為1 到n之間的整數(shù)；式（7）中[t2，t3]與[tk，tk+1]均表示整合后的變點(diǎn)區(qū)間。

4）采用k-means 聚類方法，對(duì)由變點(diǎn)分段后的各子段均值數(shù)據(jù)進(jìn)行聚類，聚類數(shù)選為2，分別對(duì)應(yīng)企業(yè)正常生產(chǎn)工況與停止生產(chǎn)工況，具體過(guò)程見附錄B。此外，對(duì)于第3）步中計(jì)算的變點(diǎn)及變點(diǎn)區(qū)間，將其作為工況間切換的中間過(guò)渡模糊狀態(tài)。最終，得到企業(yè)生產(chǎn)工況時(shí)序分布，如圖1（f）所示。

5）根據(jù)環(huán)保相關(guān)工況提取規(guī)則（詳見附錄A 圖A1），將第4）步中所得的生產(chǎn)工況與環(huán)保設(shè)備運(yùn)行情況組合，可得到環(huán)保工況，對(duì)應(yīng)于圖1（f）至（h）。其中，過(guò)渡環(huán)節(jié)由于數(shù)量少、數(shù)據(jù)特征存在變化，在后續(xù)環(huán)保異常識(shí)別與監(jiān)管過(guò)程中不作考慮。

由于在環(huán)保工況正常與異常2 類工況下，企業(yè)用電數(shù)據(jù)特征存在差異，如附錄A 圖A2 所示，圖中展示的是A 相電流總諧波含量、B 相5 次諧波電流方均根值以及三相總有功功率數(shù)據(jù)，數(shù)據(jù)為圖1（h）中各工況時(shí)段的均值?；谶@種差異性，可將多維電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)作為特征，環(huán)保工況作為標(biāo)簽訓(xùn)練分類模型，識(shí)別異常環(huán)保工況，具體分析見第2 章。

2 基于Stacking 模型的環(huán)保工況識(shí)別

2.1 Stacking 集成分類原理

不同的機(jī)器學(xué)習(xí)模型由于原理與訓(xùn)練方式不同，存在各自的適用性與特點(diǎn)，如支持向量機(jī)（support vector machine，SVM）對(duì)高維數(shù)據(jù)與非線性問(wèn)題的處理上更加穩(wěn)健且對(duì)極值不敏感；邏輯回歸（logistic regression，LR）的概率原理清晰、實(shí)現(xiàn)方式簡(jiǎn)單高效，在線性問(wèn)題上處理更具優(yōu)勢(shì)；K 最鄰近分類算法（K-nearest neighbor，KNN）不對(duì)數(shù)據(jù)進(jìn)行假設(shè)，易于實(shí)現(xiàn)；隨機(jī)森林（random forest，RF）不易出現(xiàn)過(guò)擬合現(xiàn)象，可以處理高維度的數(shù)據(jù)；梯度提升決策樹（gradient boosted decision tree，GBDT）對(duì)數(shù)據(jù)異常值的魯棒性較強(qiáng)。但實(shí)際中不同污染企業(yè)設(shè)備類型和用電情況多變、監(jiān)測(cè)數(shù)據(jù)特征存在一定差異，單一的模型常難以適用于后續(xù)不明確的污染企業(yè)場(chǎng)景。為提高對(duì)實(shí)際數(shù)據(jù)的適用性，本文選擇Stacking 集成模型作為污染企業(yè)環(huán)保工況識(shí)別的分類模型，通過(guò)對(duì)不同分類器的學(xué)習(xí)結(jié)果進(jìn)行堆疊組合的方式，從多個(gè)模型不同的角度挖掘數(shù)據(jù)特征，取長(zhǎng)補(bǔ)短，提高模型泛化能力與工況識(shí)別準(zhǔn)確度［22-23］。

如附錄A 圖A3 所示，Stacking 模型結(jié)構(gòu)通常由2 層構(gòu)成。第1 層由若干個(gè)基分類器構(gòu)成，其中，考慮到不同模型對(duì)數(shù)據(jù)的適用程度不同，基分類器的確定通常是分別利用SVM、LR、RF、KNN、GBDT等不同模型，在不同參數(shù)或限定條件下，對(duì)數(shù)據(jù)集進(jìn)行初步測(cè)試并從中選取效果較優(yōu)的3～5 個(gè)分類模型，訓(xùn)練的特征與標(biāo)簽分別為多維電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)與環(huán)保工況。將原始數(shù)據(jù)在各個(gè)基分類器下得到的分類結(jié)果（概率得分形式）作為第2 層元分類器的輸入特征數(shù)據(jù)，元分類器模型與基分類器類似，可選擇為常用的單一機(jī)器學(xué)習(xí)分類模型，但由于其訓(xùn)練的特征僅余第1 層計(jì)算輸出的結(jié)果，需適當(dāng)降低模型復(fù)雜度以減少過(guò)擬合現(xiàn)象，如在LR 中增加正則化，在樹模型中減少數(shù)量與深度等。最后，在第2 層元分類器中對(duì)基分類器計(jì)算所得的特征進(jìn)行訓(xùn)練學(xué)習(xí)，計(jì)算出環(huán)保工況類別。

此外，Stacking 模型在各個(gè)分類模型訓(xùn)練的過(guò)程中采用k折交叉驗(yàn)證的方法，以減少樣本不平衡與過(guò)擬合等影響，提高模型穩(wěn)定性。如附錄A 圖A3中上半部分所示，k折交叉驗(yàn)證的具體操作為：在劃分好訓(xùn)練集數(shù)據(jù)與測(cè)試集數(shù)據(jù)后，再將訓(xùn)練集數(shù)據(jù)平分為k份不交叉的數(shù)據(jù)，依次將其中1 份設(shè)置為驗(yàn)證集，訓(xùn)練余下k-1 份數(shù)據(jù)。將k次訓(xùn)練數(shù)據(jù)預(yù)測(cè)的得分求取均值，作為最終訓(xùn)練的結(jié)果。

2.2 環(huán)保工況異常識(shí)別流程

本文基于電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)進(jìn)行環(huán)保工況識(shí)別的主要流程如圖2 所示，其主要步驟如下：

圖2 環(huán)保工況分類識(shí)別流程圖Fig.2 Flow chart of classification and identification of environmental protection operation conditions

1）原始數(shù)據(jù)源獲取?？紤]企業(yè)用電設(shè)備數(shù)量眾多，存在不同的用電行為與電能質(zhì)量特性，為了在后續(xù)分類模型的訓(xùn)練中更好地區(qū)分不同用電特征，選擇的數(shù)據(jù)類型涵蓋電流、功率這類基本電氣參數(shù)以及諧波畸變率、不平衡度等體現(xiàn)企業(yè)電能質(zhì)量特性的多維電能質(zhì)量指標(biāo)數(shù)據(jù)。此外，在具體場(chǎng)景中，還需考慮背景電網(wǎng)電能質(zhì)量擾動(dòng)情況以及其他干擾源負(fù)荷的影響，在中低壓場(chǎng)景可篩選與用戶發(fā)射特性相關(guān)性更高的電流類電能質(zhì)量等特征參數(shù)。

2）環(huán)保工況標(biāo)簽獲取。按第1 章所述方法獲得環(huán)保工況標(biāo)簽。

3）環(huán)保工況分類模型訓(xùn)練。將第1）步中得到的電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)作為輸入特征，結(jié)合第2）步所得環(huán)保工況標(biāo)簽，對(duì)一定時(shí)段的訓(xùn)練數(shù)據(jù)進(jìn)行Stacking 分類模型訓(xùn)練。

4）異常環(huán)保工況識(shí)別。對(duì)企業(yè)后續(xù)數(shù)據(jù)進(jìn)行環(huán)保工況分析，識(shí)別異常環(huán)保工況。

3 仿真分析

3.1 仿真算例基本情況說(shuō)明

在MATLAB/Simulink 環(huán)境中搭建污染企業(yè)用電工況仿真模型，驗(yàn)證本文方法對(duì)不同場(chǎng)景的適用性?？紤]實(shí)際企業(yè)中一個(gè)含生產(chǎn)、治污等各類用電設(shè)備的完整生產(chǎn)單元通常由單段/條母線供電，仿真中以一段10 kV 母線進(jìn)行模擬，并設(shè)置多個(gè)污染企業(yè)中常用的典型負(fù)荷，仿真電氣接線示意圖如圖3所示。其中，在環(huán)保設(shè)備的選擇上，通過(guò)調(diào)研可知：在水、氣等污染治理過(guò)程中，變頻、變流及自動(dòng)控制技術(shù)得到廣泛使用，如鼓風(fēng)機(jī)、除塵風(fēng)機(jī)、水泵以及成套污水治理設(shè)備均已采用相關(guān)自動(dòng)控制技術(shù)進(jìn)行轉(zhuǎn)速、振動(dòng)頻率的控制，靜電除塵設(shè)備還應(yīng)用到升壓與變流技術(shù)生成高壓直流電場(chǎng)等［24-25］，因此，將變頻負(fù)荷4 與5 視作2 臺(tái)環(huán)保治理設(shè)備；在生產(chǎn)設(shè)備與其他廠務(wù)設(shè)備的選擇上，設(shè)置了線性負(fù)荷、變頻負(fù)荷以及部分單相負(fù)荷等不同特性的設(shè)備，用于后續(xù)組合出不同的用電場(chǎng)景。

圖3 仿真算例電氣接線示意圖Fig.3 Schematic diagram of electrical connection for simulation case

參考實(shí)際電能質(zhì)量監(jiān)測(cè)設(shè)備的測(cè)量與數(shù)據(jù)統(tǒng)計(jì)方法［26］，在10 kV 進(jìn)線處模擬一個(gè)電能質(zhì)量監(jiān)測(cè)裝置，進(jìn)行特征指標(biāo)計(jì)算與統(tǒng)計(jì)，通過(guò)等比例時(shí)間縮放，得到與實(shí)際監(jiān)測(cè)數(shù)據(jù)相同的3 min 間隔的每個(gè)仿真天（24 h）共480 個(gè)點(diǎn)的95%概率值數(shù)據(jù)，數(shù)據(jù)類型包括各相電壓與電流有效值、各相功率與總功率（有功功率、無(wú)功功率、視在功率）、功率因數(shù)、各相電壓與電流的基波有效值、各相電壓與電流的2 至49 次諧波含有率與有效值、各相電壓與電流的直流分量、各相電壓與電流的0.5 至15.5 次間諧波含有率、電壓偏差以及電壓與電流負(fù)序不平衡度。

3.2 不同生產(chǎn)工況場(chǎng)景設(shè)置說(shuō)明

仿真算例中，對(duì)于負(fù)荷1 至5，在每個(gè)仿真天內(nèi)設(shè)置不同隨機(jī)數(shù)控制其啟停時(shí)間，模擬環(huán)保設(shè)備與生產(chǎn)設(shè)備的不同運(yùn)行情況；對(duì)于負(fù)荷6 至9，設(shè)置為持續(xù)運(yùn)行負(fù)荷，模擬實(shí)際企業(yè)生產(chǎn)過(guò)程中部分不間斷運(yùn)行的設(shè)備。共進(jìn)行24 個(gè)仿真天的測(cè)試，得到不同的用電場(chǎng)景，詳細(xì)的負(fù)荷接入時(shí)間見附錄A表A1。

對(duì)于生產(chǎn)工況，分別將仿真中負(fù)荷特性不同、運(yùn)行時(shí)間不定的生產(chǎn)負(fù)荷1、2 作為主要生產(chǎn)設(shè)備，設(shè)置3 類用電場(chǎng)景：

場(chǎng)景1：線性生產(chǎn)負(fù)荷1 運(yùn)行時(shí)，視作正常生產(chǎn)工況；

場(chǎng)景2：變頻生產(chǎn)負(fù)荷2 運(yùn)行時(shí)，視作正常生產(chǎn)工況；

場(chǎng)景3：線性生產(chǎn)負(fù)荷1 與變頻生產(chǎn)負(fù)荷2 同時(shí)運(yùn)行時(shí)，視作正常生產(chǎn)工況。

以上場(chǎng)景中，主要生產(chǎn)設(shè)備未運(yùn)行時(shí)均視為停止生產(chǎn)，且對(duì)主要生產(chǎn)負(fù)荷外的其余負(fù)荷是否運(yùn)行不進(jìn)行單獨(dú)考慮，僅作為工況分類的干擾與不確定因素。

在生產(chǎn)工況劃分的基礎(chǔ)上，按照實(shí)際中環(huán)保部門要求的環(huán)保工況異常判定與監(jiān)管策略，設(shè)置了2 類環(huán)保工況判定規(guī)則：

規(guī)則1：生產(chǎn)正常時(shí)，僅當(dāng)2 臺(tái)環(huán)保設(shè)備同時(shí)啟動(dòng)才視作環(huán)保工況正常，其中1 臺(tái)環(huán)保設(shè)備關(guān)閉則為異常。

規(guī)則2：生產(chǎn)正常時(shí)，至少1 臺(tái)環(huán)保設(shè)備啟動(dòng)，即可視作環(huán)保正常工況，2 臺(tái)環(huán)保設(shè)備均關(guān)閉時(shí)為環(huán)保異常工況。

2 個(gè)規(guī)則下，生產(chǎn)工況為關(guān)停時(shí)均視為環(huán)保工況正常。

3.3 仿真算例結(jié)果與分析

首先，進(jìn)行變點(diǎn)檢測(cè)與工況聚類，獲取不同場(chǎng)景中的生產(chǎn)用電工況?？紤]主要生產(chǎn)負(fù)荷中負(fù)荷1 的容量占比最大、負(fù)荷2 為主要諧波干擾源，在場(chǎng)景1選擇各相有功功率與三相有功功率數(shù)據(jù)，在場(chǎng)景2選擇各相電流總諧波含量數(shù)據(jù)進(jìn)行計(jì)算，各特征數(shù)據(jù)變點(diǎn)識(shí)別結(jié)果如附錄A 圖A4、圖A5 所示。為說(shuō)明本文變點(diǎn)檢測(cè)算法的適用性與準(zhǔn)確性，將本文算法以及其他幾類常用變點(diǎn)檢測(cè)方法的計(jì)算結(jié)果與仿真設(shè)置的生產(chǎn)負(fù)荷切換事件（2 個(gè)場(chǎng)景中單一負(fù)荷切換事件均為48 次）進(jìn)行對(duì)比，如表1 所示。

表1 不同場(chǎng)景下的變點(diǎn)計(jì)算結(jié)果Table 1 Calculation results of change points in different scenarios

由表1 可以看出，本文方法在2 個(gè)場(chǎng)景中均能夠較為準(zhǔn)確地識(shí)別出預(yù)設(shè)變點(diǎn)，僅在場(chǎng)景2 中出現(xiàn)3 個(gè)漏識(shí)別的變點(diǎn)。同時(shí)，由于存在其他相似負(fù)荷的投切事件干擾，例如同為諧波干擾源的環(huán)保設(shè)備投切對(duì)諧波數(shù)據(jù)變點(diǎn)識(shí)別存在影響等，導(dǎo)致各方法都額外識(shí)別出了部分無(wú)效變點(diǎn)，但本文方法的敏感度較基于累積和（cumulative sum，CUSUM）與基于貝葉斯信息準(zhǔn)則（Bayesian information criterion，BIC）的方法低，無(wú)效變點(diǎn)數(shù)量相對(duì)較少。此外，考慮后續(xù)工況分類時(shí)，將去除變點(diǎn)時(shí)刻數(shù)據(jù)，本文所得變點(diǎn)數(shù)量在合理范圍內(nèi)（場(chǎng)景1、2 占比分別為0.57%、0.91%）。

然后，對(duì)變點(diǎn)劃分后各段數(shù)據(jù)的均值進(jìn)行聚類，結(jié)果在附錄A 圖A6 中以三維示意圖體現(xiàn)，分別對(duì)應(yīng)正常生產(chǎn)工況與停止生產(chǎn)工況，可以看出二者存在差異。同時(shí)，將計(jì)算的生產(chǎn)工況與預(yù)設(shè)生產(chǎn)工況進(jìn)行對(duì)比，如附錄A 圖A7 所示，其中，場(chǎng)景3 的生產(chǎn)工況計(jì)算則由場(chǎng)景1、2 組合而成，計(jì)算工況與預(yù)設(shè)工況基本一致，3 個(gè)場(chǎng)景準(zhǔn)確度分別達(dá)99.44%、99.07%與98.72%，表明了本文方法準(zhǔn)確有效。

最后，對(duì)3 個(gè)生產(chǎn)用電場(chǎng)景分別采用2 類環(huán)保工況判定規(guī)則，得到環(huán)保工況類別，取前18 個(gè)仿真天的數(shù)據(jù)作為訓(xùn)練集，模型參數(shù)設(shè)置見附錄A 表A2，后6 個(gè)仿真天的數(shù)據(jù)作為測(cè)試集，在附錄A 圖A8 中對(duì)各場(chǎng)景與規(guī)則下的模型預(yù)測(cè)值與真實(shí)值進(jìn)行對(duì)比，其中，1 與0 分別表示環(huán)保工況正常與異常。在數(shù)據(jù)選擇上，考慮實(shí)際的低壓配電網(wǎng)中監(jiān)測(cè)點(diǎn)諧波電壓、電壓總諧波畸變率、電壓偏差、電壓不平衡度等電壓質(zhì)量參數(shù)受背景中其他電能質(zhì)量干擾源的影響較大，并非與用戶自身行為完全相關(guān)［29-30］，本算例中選擇與用戶自身運(yùn)行關(guān)聯(lián)更密切的電流類型電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)進(jìn)行訓(xùn)練。從附錄A 圖A8 中可以看出，各場(chǎng)景與規(guī)則的分類效果均較好，真實(shí)值與預(yù)測(cè)值基本一致，僅少部分時(shí)段存在錯(cuò)誤（如場(chǎng)景3 中紅框所示）。

計(jì)算混淆矩陣進(jìn)行量化分析，混淆矩陣表示模型識(shí)別的2 類環(huán)保工況結(jié)果相對(duì)真實(shí)值的情況，其4 個(gè)元素分別記為TP、FN、FP、TN，其中：TP、TN分別為分類器準(zhǔn)確識(shí)別出的環(huán)保工況異常與正常的數(shù)量，F(xiàn)N、FP表示對(duì)2 類真實(shí)工況類別誤判的數(shù)量。進(jìn)一步，如式（8）至式（11）所示，從混淆矩陣中計(jì)算分類結(jié)果評(píng)價(jià)指標(biāo)準(zhǔn)確度SACC、精確率SPRE、召回率SREC與F1 得分SF1，其中：SACC是對(duì)整體工況分類的準(zhǔn)確度評(píng)價(jià)；精確率SPRE與召回率SREC表示對(duì)“環(huán)保異常”的識(shí)別精度與完整度，F(xiàn)1 得分SF1是精確率與召回率的調(diào)和平均值，體現(xiàn)分類器的綜合特性。

限于篇幅，僅列出各個(gè)方案的混淆矩陣以及衡量綜合分類效果的SACC與F1 得分SF1，如表2 所示。

表2 不同場(chǎng)景和規(guī)則下的分類結(jié)果Table 2 Classification results in different scenarios with different rules

由表2 分析可知，不同場(chǎng)景與規(guī)則下，環(huán)保工況正常與異常的數(shù)量不同，但均能得到超過(guò)95%的SACC與SF1，表明本文方法能夠較好地適用于不同類型和數(shù)量的生產(chǎn)設(shè)備與環(huán)保設(shè)備所組合的用電場(chǎng)景。此外，為說(shuō)明本文方法數(shù)據(jù)源選取的合理性，與下列數(shù)據(jù)特征選擇方式下的結(jié)果進(jìn)行對(duì)比，包括：1）選擇全量電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)；2）僅選擇電壓、電流、功率及功率因數(shù)4 類基本數(shù)據(jù)；3）僅選擇電能質(zhì)量指標(biāo)數(shù)據(jù)；4）僅選擇電流質(zhì)量指標(biāo)數(shù)據(jù)；5）參考文獻(xiàn)［31］利用主成分分析法降維，選取貢獻(xiàn)率為前90%的特征。在圖4 中比較各方式下的分類SACC與SF1值。

圖4 不同數(shù)據(jù)特征選擇下的分類效果對(duì)比Fig.4 Comparison of classification effect with different data feature selections

由圖4 分析可知，按本文所使用的去除電壓質(zhì)量等參數(shù)的方案以及選擇全量特征時(shí)，在不同場(chǎng)景和規(guī)則下的分類效果均較好；僅選擇基本數(shù)據(jù)、電流質(zhì)量數(shù)據(jù)與電能質(zhì)量數(shù)據(jù)時(shí)，在場(chǎng)景2、3 中的分類效果出現(xiàn)一定波動(dòng)；而使用主成分分析降維輸入數(shù)據(jù)時(shí)，SF1值在各場(chǎng)景與規(guī)則下的波動(dòng)最大，穩(wěn)定性較差。具體分析誤判情況為：在第23 天（4～6 h）時(shí)段，幾類方案易將異常環(huán)保工況誤判為正常，可能原因在于這一時(shí)段2 臺(tái)環(huán)保設(shè)備雖均未啟用，但與環(huán)保設(shè)備容量相近且存在電能質(zhì)量干擾發(fā)射特性的整流負(fù)荷3 正在運(yùn)行，引起干擾。以上情況表明，當(dāng)企業(yè)用電設(shè)備多、工況復(fù)雜時(shí)，將電能質(zhì)量數(shù)據(jù)與基本用電數(shù)據(jù)結(jié)合，引入更多特征進(jìn)行訓(xùn)練，能夠覆蓋更多用電特性，有利于分類效果提升。

4 實(shí)例驗(yàn)證

4.1 污染企業(yè)基本狀況與監(jiān)測(cè)數(shù)據(jù)情況

以中國(guó)福建某制鞋企業(yè)為試點(diǎn)，進(jìn)行環(huán)保工況識(shí)別，該企業(yè)電氣接線示意圖如附錄A 圖A9 所示，生產(chǎn)設(shè)備主要包括加熱與冷卻裝置、異步電機(jī)、紫外線殺菌光源等；環(huán)保設(shè)備主要為抽風(fēng)機(jī)和UV 光解廢氣處理設(shè)備組成的排污和治污系統(tǒng)。企業(yè)在生產(chǎn)與環(huán)保過(guò)程中存在諧波與不平衡等電能質(zhì)量發(fā)射特性，故在企業(yè)的電氣入口處采集電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)，用于后續(xù)環(huán)保工況識(shí)別。但考慮到該污染企業(yè)所處電壓等級(jí)較低，頻率以及電壓類的電能質(zhì)量易受電網(wǎng)背景波動(dòng)與其他電能質(zhì)量干擾源影響，因此，最終選擇反映污染企業(yè)自身用電特性的電流類電能質(zhì)量以及功率指標(biāo)用于后續(xù)環(huán)保工況分類，指標(biāo)詳見表3，數(shù)據(jù)類型為3 min 的均值數(shù)據(jù)。

表3 用于環(huán)保工況分類的實(shí)測(cè)特征數(shù)據(jù)Table 3 Measured characteristic data for classification of environmental protection operation condition

4.2 企業(yè)環(huán)保相關(guān)工況提取

取2021 年1 月9 日 至25 日 共17 d 的8 160 條 數(shù)據(jù)進(jìn)行分析。首先，利用變點(diǎn)檢測(cè)方法，由有功功率數(shù)據(jù)計(jì)算出生產(chǎn)工況，結(jié)果如附錄A 圖A10 所示，經(jīng)核實(shí)，與實(shí)際企業(yè)生產(chǎn)工況基本相同。隨后，由環(huán)保設(shè)備處安裝的監(jiān)測(cè)終端獲取環(huán)保設(shè)備運(yùn)行情況，共同確定各時(shí)段的環(huán)保工況類別，如表4 所示。

表4 環(huán)保相關(guān)工況類別情況Table 4 Category of operation conditions related to environmental protection

4.3 工況分類識(shí)別與結(jié)果分析

對(duì)數(shù)據(jù)集進(jìn)行缺失數(shù)據(jù)插值補(bǔ)齊，去除數(shù)值全為0 的特征，在附錄A 表A3 中對(duì)這部分?jǐn)?shù)據(jù)進(jìn)行了示意。按8∶2 的比例將2021 年1 月22 日14：00 以前的數(shù)據(jù)進(jìn)行模型訓(xùn)練，后續(xù)數(shù)據(jù)進(jìn)行測(cè)試，在分類過(guò)程中設(shè)置基分類器為L(zhǎng)R、SVM、RF 與GBDT，詳細(xì)參數(shù)見附錄A 表A2。采用5 折交叉驗(yàn)證進(jìn)行訓(xùn)練，計(jì)算上述4 個(gè)基分類器單獨(dú)作用以及在4 種集成方式下測(cè)試集的結(jié)果混淆矩陣，如附錄A 圖A11 所示?？梢钥闯?，Stacking 分類器的混淆矩陣非對(duì)角元數(shù)量相對(duì)于單一分類模型均有所減少。其中，以SVM 為元分類器的Stacking 模型下，F(xiàn)N、FP數(shù)量最少，分類效果最優(yōu)。進(jìn)一步計(jì)算分類結(jié)果評(píng)價(jià)指標(biāo)，如表5 所示。

表5 分類結(jié)果的評(píng)價(jià)指標(biāo)Table 5 Evaluation index of classification results

從表5 中可以看出，集成模型下，分類結(jié)果的各項(xiàng)得分值有所提高，其中，第2 種集成方案下的指標(biāo)得分最高，SACC與SF1值均超過(guò)96%，相對(duì)各種單一基分類器提高了3%以上，表明基于Stacking 集成的工況分類模型可以在誤判和漏判較少的情況下，識(shí)別污染企業(yè)存在的環(huán)保異常工況。最終，選擇效果最好的以SVM 為元分類器的Stacking 模型作為該企業(yè)的后續(xù)工況識(shí)別模型。

4.4 實(shí)際應(yīng)用效果分析

以下分析本文方法在實(shí)際污染企業(yè)環(huán)保監(jiān)測(cè)系統(tǒng)中長(zhǎng)期應(yīng)用的適應(yīng)性。利用4.3 節(jié)中選擇的模型，從2021 年1 月22 日開始，以每日24：00 為時(shí)間節(jié)點(diǎn)，動(dòng)態(tài)計(jì)算環(huán)保工況分類識(shí)別的累計(jì)SACC與SF1值，直 至2021 年3 月22 日，得 到 如 圖5 所 示 的曲線。

圖5 環(huán)保工況長(zhǎng)期累計(jì)識(shí)別效果Fig.5 Long-term cumulative identification effect of environmental protection operation conditions

由圖5 可以看出，截至2021 年3 月22 日，2 個(gè)月的長(zhǎng)期數(shù)據(jù)中，識(shí)別效果最終穩(wěn)定至75%左右。其中前24 d 的測(cè)試數(shù)據(jù)中，兩指標(biāo)累計(jì)值均能達(dá)到90%以上，但在2 月中下旬，指標(biāo)結(jié)果有一定幅度的下降，經(jīng)過(guò)現(xiàn)場(chǎng)核實(shí)發(fā)現(xiàn)，2 月中旬為春節(jié)后企業(yè)復(fù)工初期，企業(yè)生產(chǎn)模式進(jìn)行了一定調(diào)整，導(dǎo)致訓(xùn)練模型未能較好識(shí)別該時(shí)段的工況。為提高識(shí)別效果，將2 月的數(shù)據(jù)歸入原始訓(xùn)練集中進(jìn)行訓(xùn)練，最終在3 月測(cè)試的平均SACC與SF1分別達(dá)91.34%、89.74%，如圖5 中更新訓(xùn)練模型后的結(jié)果曲線所示。可見，本文方法在實(shí)際應(yīng)用中具備一定效果，但在實(shí)際用電場(chǎng)景模式變更后，模型識(shí)別精度有所下降，需要考慮使用現(xiàn)場(chǎng)核實(shí)過(guò)的數(shù)據(jù)更新識(shí)別模型等方法來(lái)提升結(jié)果準(zhǔn)確度。

5 結(jié)語(yǔ)

本文將污染企業(yè)環(huán)保監(jiān)測(cè)問(wèn)題轉(zhuǎn)化為對(duì)環(huán)保環(huán)節(jié)相關(guān)用電工況的識(shí)別問(wèn)題，利用電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，有效識(shí)別環(huán)保異?，F(xiàn)象，得到結(jié)論如下：

1）相比于對(duì)企業(yè)生產(chǎn)、環(huán)保設(shè)備進(jìn)行一一監(jiān)測(cè)的傳統(tǒng)用電監(jiān)測(cè)方式，本文方法有效減少了所需監(jiān)測(cè)終端成本以及對(duì)正常生產(chǎn)的影響，更易于實(shí)際工程實(shí)施。

2）本文通過(guò)濾除過(guò)渡環(huán)節(jié)、引入多維電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)以及利用不同分類模型集成的優(yōu)勢(shì)，達(dá)到較好的準(zhǔn)確度與適用性。

3）本文方法充分利用現(xiàn)有電力監(jiān)測(cè)數(shù)據(jù)資源，是電力數(shù)據(jù)的跨行業(yè)應(yīng)用，其思想與方法可拓展到更多電力以外的行業(yè)應(yīng)用場(chǎng)景中。

本文方法應(yīng)用過(guò)程中也存在一定的限制：本文僅考慮正常生產(chǎn)與停止生產(chǎn)以及環(huán)保工況正常與異常2 類，在未來(lái)需進(jìn)一步開展細(xì)化研究工作，且在長(zhǎng)期應(yīng)用過(guò)程中，也需綜合考慮模型更新成本、風(fēng)險(xiǎn)與識(shí)別結(jié)果準(zhǔn)確性之間的關(guān)系，進(jìn)一步優(yōu)化企業(yè)用電狀態(tài)不斷變化時(shí)的模型更新策略。

本文相關(guān)實(shí)測(cè)和仿真電能質(zhì)量數(shù)據(jù)已共享，可在本刊網(wǎng)站支撐數(shù)據(jù)處下載（http://www.aeps-info.com/aeps/article/abstract/20211203007）。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。